微软开源 Lens 3.8B 文生图模型：4 步极速出图，算力消耗不到两成

Lens 是微软开源的一个 3.8B 参数文生图模型，核心卖点是用极低的训练成本跑出大模型的画质，并且通过蒸馏版实现了不到 1 秒的极速出图。

这次微软放出了包括 Base、标准版 Lens 以及 Turbo 在内的全套权重。对于想在本地或自有服务器上搭建生图工作流的独立开发者来说，这意味着不需要动用庞大的集群，就能跑一套高分辨率的专业流程。

它是怎么做到小而快的

Lens 在多个测试集上的表现逼近甚至超过了 6B 以上的开源主流模型，但它的训练算力消耗只有对比模型 Z-Image 的 19.3%。能省下八成以上的算力，主要靠的是数据质量和模型架构两方面的改进。

首先是喂给模型的数据密度极高。微软构建了一个名为 Lens-800M 的数据集，包含 8 亿张图文对。这些图片的描述不是以往那种简短的几个标签，而是由 GPT-4.1 生成的密集长文本，平均每个描述多达 109 个词。更丰富的语义监督让模型在每一步训练里学到更多细节。

同时，训练时每个批次都混入了不同分辨率和长宽比的图像，让模型能自然适配从 1:2 到 2:1 的任意构图，最高支持 1440x1440 分辨率。

在架构上，Lens 采用了语义 VAE 来获得更优质的潜在空间表征，并配合强大的语言编码器。即便预训练主要使用英文数据，模型也具备了多语言提示词的理解能力。预训练完成后，团队还引入了基于分类体系的强化学习数据集 Lens-RL-8K，通过结构化奖励标准压制画面伪影。

4 步极速出图与运行门槛

除了常规生成流程，微软这次还通过蒸馏技术打造了 Turbo 变体。

在单张 NVIDIA H100 显卡上，3.8B 标准版生成一张 1024x1024 图像需要 3.15 秒。而经过蒸馏的 Turbo 版本只需要 4 步推理，生成耗时缩短到了 0.84 秒。

另外，有报道提到该项目涉及 FLUX.2 VAE 与 GPT-OSS 相关的技术整合。模型还配备了一个免训练系统提示词搜索的推理模块，用来自动校准用户的输入意图，降低提示词编写门槛。

目前微软已经公开了 Lens 的研究论文和相关权重，开发者可以在对应的开源渠道获取 Base、Lens 和 Turbo 权重文件。

为什么重要

文生图领域过去一年基本被参数越来越大的庞然大物统治，动辄数十亿甚至上百亿参数的模型虽然效果惊艳，但极高的推理延迟和显存开销把大多数个人开发者和小型团队挡在了门外。Lens 证明了只要提高数据的信息密度，3.8B 级别的小模型同样能越级挑战 6B 以上的大模型。

我们认为，蒸馏出的 Turbo 版本最有实用价值。0.84 秒的出图速度意味着它可以直接嵌入实时互动、动态生成或者高并发的实际业务场景中，而不是只能在后台慢慢排队。如果你正在寻找一个能低成本私有化部署、画质不错又要求极高吞吐量的文生图底座，Lens 是目前非常值得上机测试的选择。